最新一期的 Nature 封面，AI 再度来到舞台中央，这一次是在破译古文字方面立功了。这是一种基于 Transformer 架构的方法，由 DeepMind、谷歌、牛津大学等多家研究机构联合开发。
在单独修复受损文本时，这种方法能达到 62% 的准确率。在实际应用中，历史学家单独破译某块古希腊石碑的准确率本来只有 25%，但在使用这一方法后一举提升了近乎 3 倍，达到了 72%。
不仅能修复文字，这一方法在地理归属的任务上也有 71% 的准确率，还能将古文字的书写日期精确到 30 年以内。目前，这一方法已经引起了不小的讨论热度：
现在已经有可以在线解析古希腊文字的网页版，架构方法也已开源。
Transformer 破译古文字
这是一个叫做 Ithaca 的架构，以荷马史诗《奥德赛》中的希腊岛屿命名。Ithaca 架构中的注意力机制能够通过串联输入的单个字符、完整单词的表征与顺序位置来了解输入文本的每一部分的位置，最终权衡不同的输入对模型决策过程的影响。
完整架构由多个 Transformer 块组成，每个 Transformer 块都输出一个经过处理的表征序列（Sequence of Processed Representations），其长度即输入字符的数量。其输入随后被传递给三个分别负责文字修复、地理归属、时间归属的任务头，每个头都由一个前馈的神经网络组成，专门负责各自任务的训练。
在文字修复任务中，Ithaca 会提供 20 个按概率排列的解析结果预测：
地理归属的确定上，则会依据古历史学中的 84 个区域中对输入文本进行分类，将可能的区域预测类别通过地图和柱状图展现：
日期归属任务同样也通过分布预测的柱状图来展示。如下图所示，公元前 300-250 年的日期 10 年一组，被表示为 5 个概率相同的范围，而公元前 305 年的铭文将以 100% 的概率被分配到公元前 300-310 年的十年组：
历史学家的 AI 助手
研究人员分别将 Ithaca 与历史学家、同类 AI 方法 Pythia、以及 Ithaca 与历史学家合作等不同破解古文字的方法做了对比。
字错率（CER）总是越低越好，在文字修复任务上，Ithaca 的字错率和准确率都最好，如果与历史学家合作时，效果还将再次提升。
在论文的最后，研究人员表示，研究方法适用于手稿学、钱币学和纸草学等所有与古代文本相关的学科，也适用于古代、现代的任何语言。
目前，这一方法已经投入了实际使用，比如在雅典时期颁布的某个重要法令的碑文的日期确认上，历史学家们之前认为是在公元前 446/5 年之前书写的。而 Ithaca 与历史学家一起，将这一日期更新到了公元前 424/3 年：
Ithaca 现在提供了在线试用的途径，登录官网，在方框中中输入古希腊铭文，将缺少的字符标记为破折号（-)），将预测的字符标记为问号（?）。
每次查询最多可以预测 10 个连续或非连续的问号，点击查询后将在下方显示文本缺失的字符，并将其归属到原来的地点和时间：
作者介绍
研究由 DeepMind、威尼斯卡福斯卡里大学（Ca’ Foscari University of Venice）、哈佛大学、雅典经商大学 (Athens University of Economics and Business)、谷歌几家 AI 团队合作开发。
论文有两位共同一作，其中 annis Assael 为 DeepMind 的 AI 部门的研究员，硕博都毕业于牛津大学，同时也是福布斯“30 岁以下 30 名欧洲杰出科学家”之一：
共同一作 Thea Sommerschield 则是一位历史学家，目前任威尼斯佛斯卡里大学的人文科学院，以及哈佛大学希腊研究中心的研究员，主要研究领域是将机器学习应用于研究古代地中海的书面文化。
论文：
https://www.nature.com/articles/s41586-022-04448-z
开源链接：
https://github.com/DeepMind/ithaca
在线试用：
https://ithaca.DeepMind.com/?job=eyJyZXF1ZXN0SUQiOiJmYzUwNGY0NWNhZjJjZWMxZjIxZDA4YWVjNTdkMjEzMSIsImF0dHJpYnV0aW9uIjp0cnVlLCJyZXN0b3JhdGlvbiI6dHJ1ZX0%3D
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。